目的基于深度卷積神經網絡（DCNN）方法自動測量彩色眼底像上全局和局部豹紋分布密度。 方法應用研究。將2021年5～7月于山東第一醫科大學附屬青島眼科醫院北部院區行近視手術的患者514例1 028只眼的1 005張彩色眼底像建立人工智能（AI）數據庫。采用RGB顏色通道重標定方法（CCR算法）、基于Lab顏色空間的CLAHE算法、多重迭代照度估計的Retinex算法、具有色彩保護的多尺度Retinex算法對圖像進行預處理。對比觀察上述4種圖像增強方法以及使用Dice損失、邊緣重疊率損失和中心線損失對豹紋分割模型效果的影響。建立眼底豹紋分割模型識別全圖范圍內豹紋結構區域；構建眼底組織結構檢測模型用于視盤及黃斑中心凹定位。計算視野范圍內后極部豹紋密度（FTD）、黃斑區豹紋密度（MTD）、視盤區豹紋密度（PTD）。 結果應用CCR算法圖像預處理和訓練損失組合后，豹紋分割模型的Dice系數、準確率、靈敏度、特異性、約登指數分別達到0.723 4、94.25%、74.03%、96.00%和70.03%。模型自動測量的FTD、MTD、PTD值與人工標注測量值平均絕對誤差分別為0.014 3、0.020 7、0.026 7，均方根誤差則分別為0.017 8、0.032 3、0.036 5。 結論基于DCNN分割和檢測方法能自動測量近視患者眼底全局和局部區域的豹紋分布密度，可以更準確地輔助臨床監測和評估眼底豹紋改變對近視發展的影響。